云制造资源-任务多因素匹配度问题研究*

李春泉，常钰河，张　明，李彩林，胡宇威

(桂林电子科技大学 机电工程学院,广西 桂林　541004)



云制造资源-任务多因素匹配度问题研究*

李春泉，常钰河，张明，李彩林，胡宇威

(桂林电子科技大学 机电工程学院,广西 桂林541004)

针对云制造资源与制造任务的匹配度评价问题，提出了云制造资源与制造任务的多因素综合匹配度评价模型。首先通过分析基于时间和制造加工精细度的单一因素匹配度问题，建立基于时间和制造加工精细度的综合匹配度模型，进而建立云制造资源多因素下的综合匹配度评价模型。最后，通过实例对综合匹配度评价模型进行了验证。

云制造资源；匹配度；评价模型

0　引言

近年来，制造业在全球范围内的发展趋势呈现出由生产型制造向服务型制造的转变[1-2]。在此前提下，由李伯虎院士首先提出的云制造作为一种面向服务的、按需组织网上制造资源的网络化制造新模式应运而生，为用户提供各类按需的制造加工服务[3-6]。云制造集合了各类制造资源和制造能力，来为客户提供各类的云制造服务请求[7]。一方面，云资源提供者所能承担的制造任务应该与其实际生产实际是相匹配的，但随着制造行业的竞争压力不断加剧，一些资源提供者为了获得更多的业务订单，承接一些超出自身制造能力的任务请求的现象时有发生[8]，结果造成制造任务不能保质保量地完成，轻则造成一定的经济损失，重则延误客户后续的生产制造任务，造成更大的损失[9-11]。另一方面，客户很有必要对云资源提供者所提供的云资源进行量化的了解，用以判断云资源与自己提交的制造任务是否匹配[12-13]，从而依据云资源与制造任务的匹配度来选取最佳的云制造资源进行制造资源的优化配置。

在服务型制造的实现过程中，制造资源与制造任务以及制造资源之间的优化匹配是基础支撑技术[14]。云制造资源匹配度作为云制造资源优化配置的重要依据，有着非常重要的研究价值。国内外相关学者对云制造环境下制造资源匹配度评价问题也进行了较广泛的研究[15-17]，并取得了一些的成果，但这些研究主要基于资源本体的语义相似度方面。

目前云制造资源匹配度还没有明确的定义，本文所述的云制造资源多因素匹配度定义为在云制造环境下制造资源在多个关键因素约束下可以完成制造任务的适合程度。在生产制造活动中，每种制造资源都具备自身的属性和特点，而每种制造任务，由不同的客户提出，就会有不同的制造要求，比如工期、加工精度、加工效率、最迟完工时间、加工成本等，由此可见每项制造任务与每个制造资源之间都具有不同的匹配程度，匹配度越高，表明该资源越适合这类任务，从而可以提高制造活动的效率。

1　云制造资源匹配度问题分析

1.1任务-资源匹配问题

如图1所示，在生产制造活动中，每项制造任务都有相应要求及规范指标，而承担相应制造任务的制造资源，也都有其特征属性。衡量一个云造资源是否能够很好地完成一项制造任务的标准，取决于云制造资源的特征属性与其要承担的制造任务的各种要求和规范指标是否相匹配，即需要一个任务-资源匹配度评价指标来作为参考依据，用以选择和配置最佳的云制造资源来承担相应的制造任务。

图1　云制造服务资源配置过程

1.2资源-资源匹配问题

如图2所示，某印刷产品的工艺流程图，分为若干的制造环节。在图3中，每个制造环节都有对应的云制造资源集合R11,R12,…,R21,…,R51，同一资源集合中的的云制造资源节点承担同一制造环节的制造任务，称之为同质资源；而不同资源集的云制造资源节点承担不同制造环节的制造任务，称之为异质资源。因此鉴于生产实际，本文将资源-资源匹配问题分为两种情况：①同质资源匹配问题。在云制造资源正在执行生产制造任务过程中，时常会出现制造任务订单临时增加，或者制造资源故障难以及时恢复的情况，此时需要有与正在执行生产任务的云制造资源相同或相似的云制造资源，在满足现行制造要求的情况下接替现有资源继续进行生产，以完成预计的生产制造任务。由此可见，同质资源间的匹配度问题，本质上就是同质资源的相似程度。②异质资源匹配问题。在实际生产中，一项制造活动通常可以被分为多个制造环节，而多个制造环节之间也有着各方面(比如加工工艺、装配顺序等)的相互衔接和联系。除此之外，一些云制造资源的加工能力并不是单一化的，具有一定的制造柔性，即可以在不同的生产环节分别承担相应制造任务，称之为云制造的制造柔性，它大大提高了云制造资源的利用率。在这种情况下，异质资源间的匹配问题就要由制造工艺上相互衔接的生产环节的特征属性来进行衡量，本文不做定量分析。

图2　印刷工艺流程图

图3　印刷工艺环节对应的云制造资源集

2　建立云制造资源匹配度模型

2.1制造时间的匹配度分析

综合以上三种情况，资源ri的时间匹配度可以表示为：

(1)

2.2云制造资源加工精细度的匹配度分析

客户的制造任务请求中，制造加工的精细度A*(ri)常有一定的可接受浮动范围，设定其最低加工精细度要求为A*min(ri)=A*(ri)—a，最高加工精细度要求为A*max(ri)=A*(ri)+b(a,b为可接受波动系数)，有以下三种情况：

综合以上三种情况，资源ri的时间匹配度可以表示为：

(2)

2.3综合匹配度分析

以上所述云制造服务提供者向服务需求者(即用户)所提供的制造加工时间、制造加工精细度等与客户要求的制造加工时间、制造加工精细度等之间的匹配度，都是基于单一因素下的匹配度。但是在实际生产中，却有着多种因素共同存在，并且可能出现多种因素下的各个匹配度此消彼长的情况。因此在进行匹配度分析时，应该将多种单因素匹配度同时考虑，这实质上是一种多目标决策问题。本文借鉴理想点法来解决多个因素下的匹配度评价问题。

3　综合匹配度模型求解

(3)

将此综合匹配度模型进一步推广为一种通用性多因素综合匹配度模型，则求解综合匹配度模型应为：

(4)

4　匹配模型计算实例

表1所示为惠普公司7款常见的不同型号的打印设备的部分性能参数，本例选取在相同的印刷任务要求下，采用本文提出的方法对不同的制造资源(即本例中的印刷设备)进行匹配度评价，最终确定与制造任务有最佳匹配度的备选设备。

为避免设备由于参数类型不同所引起的量纲问题，将以上设备性能参数进行归一化处理，从而使设备性能参数不受量纲的限制。制造资源与制造任务的匹配度，要依靠任务要求来进行评价，本文将任务要求的各项性能指标α*，选定为以上制造资源中性能最佳的参数值，而各性能指标的上限αmax及下限αmin也取自各现有资源性能参数(如表2所示)，在实际的生产中，任务要求可以根据实际的任务需要来进行设定。

表1　备选制造资源的性能参数

表2　制造任务特征参数

(5)

表3　匹配度评价结果

5　结束语

针对云制造环境下，资源的匹配度评价问题，本文进行了制造资源与制造任务的匹配度问题以及制造资源之间的匹配度问题分析，并且建立了云制造资源与制造任务的多因素综合匹配度评价模型。为了便于说明，文中利用工程实例对多因素综合匹配度评价模型进行了验证。通过匹配度评价模型的优选，用户可以根据资源与任务的多因素综合匹配度评价结果进行制造资源的选取，从而提高了云制造环境下，制造资源的有效利用和合理配置，更好的满足了客户的云制造服务的定制需求。

[1]RimalBP,JukanA,KatsarosD,etal.Architecturalrequirementsforcloudcomputingsystems:anenterprisecloudapproach.JournalofGridComputing2011;9(1):3-26.

[2] 王云霞,邱胜海,王志亮.面向服务的制造新模式—云制造研究综述[J].现代制造工程,2013(3):124-128.

[3] 李伯虎,张霖,任磊,等.再论云制造[J].计算机集成制造系统,2011，17(3):449-457.

[4] 李春泉,尚玉玲,胡春杨.云制造的体系结构及其关键技术研究[J].组合机床与自动化加工技术,2011(7):104-107,112.

[5]TaoF,ZhangL,VenkateshVC,etal.Cloudmanufacturing:acomputingandservice-orientedmanufacturingmodel[J].ProcInstMechEngB,JEngManuf,2011,225(10):1969-1976.

[6] 杨海成．云制造是一种制造服务[J]．中国制造信息,2010,6(5):22-23.

[7] 张一平,丁香乾,侯瑞春.云制造环境下可信第三方的非常规访问方式[J].计算机工程与设计,2015,36(5):1304-1310.

[8] 王时龙,宋文艳,康玲,等.云制造环境下的制造资源优化配置研究[J].计算机集成制造系统,2012,18(7):1396-1405.

[9] 程武山，朱明年．云制造—先进制造信息化[J].系统仿真学报,2011,23(10):2258-2262.

[10] 江平宇,丁凯,冷杰武,等.服务驱动的社群化制造模式研究[J].计算机集成制造系统,2015,21(6):1637-1649.

[11]Jun-FengZhao,Jian-TaoZhou.StrategiesandMethodsforCloudMigration[J].InternationalJournalofAutomationandComputing,2014,2:143-152.

[12] 张霖,罗永亮,范文慧,等.云制造及相关先进制造模式分析[J].计算机集成制造系统,2011,17(3):458-468.

[13] 范文慧,肖田元.基于联邦模式的云制造集成体系架构[J].计算机集成制造系统,2011,17(3):469-476.

[14]LiangJJ,PanQK,ChenTJ,etal.Solvingtheblockingflowshopschedulingproblembyadynamicmulti-swarmparticleswarmoptimizer[J].IntJAdvManufTechnol,2011,55(5-19):755-762.

[15]朱李楠,赵燕伟,王万良.基于RVCS的云制造资源封装、发布和发现模型[J].计算机集成制造系统,2012,18(8):1829-1838.

[16] 刘卫宁,刘波,孙棣华.面向多任务的制造云服务组合[J].计算机集成制造系统,2013,19(1):199-209.

[17] 李孝斌,尹超,尹胜.云制造环境下机床装备资源特性分析与语义描述方法[J].计算机集成制造系统,2014,20(9):2164-2171.

(编辑李秀敏)

ResearchonMulti-factorMatchingProblemofResource-taskinCloudManufacturing

LIChun-quan,CHANGYu-he,ZHANGMing,LICai-lin,HUYu-wei

(SchoolofMechanicalandElectricalEngineering,GuilinUniversityofElectronicTechnology,GuilinGuangxin541004,China)

Aimingattheevaluationofmatchingdegreebetweencloudmanufacturingresourceandmanufacturingtask,aevaluationmodelformulti-factorcomprehensivematchingdegreeforcloudmanufacturingresourceandmanufacturingtaskisproposed.Firstly,themodelforcomprehensivematchingdegreeoftimeandmachiningaccuracyisestablished,basedontheanalysisofthesinglefactormatchingdegree.Andthenaevaluationmodelformulti-factorcomprehensivematchingdegreeisestablished.Finally,itisprovedthatthemodelcouldsolvetherelevantpracticalproblemseffectivelybyanengineeringexample.

cloudmanufacturingresources;matchingdegree;evaluatemodel

1001-2265(2016)08-0153-04DOI:10.13462/j.cnki.mmtamt.2016.08.041

2015-09-06

国家自然科学基金(51465013)；桂林电子科技大学研究生创新项目(GDYCSZ201443，GDYCSZ201480)；广西自动检测技术与仪器重点实验室主任基金(YQ15109)；广西研究生教育创新计划资助项目(YCSZ2014142)

李春泉(1975—)，男，北京人，桂林电子科技大学教授，博士，研究方向为先进制造技术研究，(E-mail)lichunquan@gmail.com。

TH166;TG506

A